06频率域图像增强

最新推荐文章于 2021-07-28 15:24:19 发布

Theoyah

最新推荐文章于 2021-07-28 15:24:19 发布

阅读量202

点赞数

分类专栏：数字图像处理

本文链接：https://blog.csdn.net/qq_41736774/article/details/104949351

版权

数字图像处理专栏收录该内容

5 篇文章 2 订阅

订阅专栏

背景知识

线性系统

$X_1(t) -> Y_1(t)\\ X_2(t)->Y_2(t)$

则：
$X_1(t)+X_2(t)->Y_1(t)+Y_2(t)\\ aX_1(t)->aY_1(t)$

平移不变性

对于某系统，有 $x (t) - > y (t)$ 当输入信号平移 $T$ 时， $x (t - T) - > y (t - T)$ 则称该系统具有平移不变性。

卷积

对于一个线性系统的输入f(x)和输出g(x)，他们之间必然存在这样的关系：

$g(x)=\int_{-\infin}^{+\infin}f(\tau)h(x-\tau)$

其中 $h (x)$ 是这个系统的单位冲激响响应。该积分也称为卷积积分，记为： $g (x) = f (x) * h (x)$

离散一维卷积：
$f(x)*h(x)=\frac{1}{M}\sum_{m=0}^{M-1}f(m)h(x-m)$

二维卷积：
$\int_{-\infin}^{+\infin}f(u,v)h(x-u,y-v)dudv$

离散二维卷积：
$\frac{1}{MN}\sum_{m=0}^{M-1}\sum_{n=0}^{N-1}f(m,n)h(x-m,y-n)$

傅里叶变换

一维傅里叶变换：
$F(u)=\int_{-\infin}^{+\infin}f(x)e^{-j2\pi ux}dx$
逆变换：
$f(x)=\int_{-\infin}^{+\infin}F(u)e^{j2\pi ux}du$

将f(x)分解为不同频率的成分，F(u)代表频率为u的成分的强度

函数f(x)的傅立叶变换后一般是一个复量，它可以用下式表示：
$F(u)=R(u)+jI(u)\\ F(u) = |F(u)|e^{j\phi(u)}\\ |F(u)|=\sqrt{R^2(u)+I^2(u)} , f(x)的幅度谱\\ \phi(u)=artan[\frac{I(u)}{R(u)}], f(x)的相位谱\\ P(u)=|F(u)|^2=P^2(u)+I^2(u),f(x)的功率谱$

二维连续傅里叶变换及其逆变换：
$F(u,v)=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}f(x,y)e^{-j2\pi (ux+vy)}dxdy$

$f(x,y)=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}F(u,v)e^{j2\pi (ux+vy)}dudv$

二维傅里叶变换的幅度谱和相位谱为：
$|F(u,v)|=\sqrt{R^2(u,v)+I^2(u,v)} , 幅度谱\\ \phi(u,v)=artan[\frac{I(u,v)}{R(u,v)}], 相位谱\\$

离散傅里叶变换 $D F T$ (Discrete Fourier Transform)

一维离散傅立叶变换：
$F(u)=\sum_{k=0}^{N-1}f(k)e^{-\frac{j2\pi uk}{N}},u=0,1,2,...,N-1\\ f(k)=\frac{1}{N}\sum_{u=0}^{N-1}F(u)e^{\frac{j2\pi uk}{N}},k=0,1,2,...,N-1\\$
二维离散傅立叶变换：
$F(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi(\frac{ ux}{M}+\frac{vy}{N})}\\ u=0,1,2,...,M-1\\ v=0,1,2,...,N-1\\ f(x,y)=\frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)e^{j2\pi(\frac{ ux}{M}+\frac{vy}{N})}\\ x=0,1,2,...,M-1\\ y=0,1,2,...,N-1\\$
二维离散傅立叶变换特性：

可分离性
平移性
线性
旋转特性
均值性
微分特性

图像傅立叶变换的物理意义是得到图像的不同频率成分的分布情况。

频率域平滑滤波器

思想：边缘和其它尖锐变化（如噪声）在傅立叶变换中对于高频成分，因此平滑可通过衰减图像傅立叶变换的高频成分，保留低频成分来实现。

理想低通滤波器

一个二维的理想低通过滤器（ $I L P F$ ）的系统函数满足（是一个分段函数）：
$\begin{cases} 1&D(u,v)\leq D_0\\ 0&D(u,v)>D_0\\ \end{cases}\\ D_0 为截止频率，D(u,v)为距离函数 D(u,v)=(u^2+v^2)^\frac{1}{2}$
$D_0$ 半径内的频率分量无损通过，圆外的频率分量会被滤除。若滤除的高频分量中含有大量的边缘信息，会发生图像边缘模糊现象。钝化的图像被一种非常严重的振铃效果（理想低通滤波器的一种特性）所影响。

Code

import matplotlib.pyplot as plt
import numpy as np
import cv2 as cv

# 二维离散傅里叶变换
"""
def fft2(img):
    cp = np.copy(img).astype(np.complex)
    temp = np.copy(img)
    M,N = cp.shape
    def fun(u,v,f):
        value = 0
        for x in range(M):
            for y in range(N):
                exp = np.exp(np.complex(0,-2*np.pi*(u*x/M+v*y/N)))
                value += f[x][y]*exp
        return value
    for u in range(M):
        for v in range(N):
            cp[u][v] = fun(u,v,temp)
            print(cp[u][v])
    return cp
"""
# 理想低通滤波
def ilpf(f,D0):
    cp = np.copy(f)
    r,c = cp.shape
    H = np.zeros((r,c))
    for i in range(r):
        for j in range(c):
            if (i-r/2)**2+(j-c/2)**2<= D0**2:
                H[i][j] = 1

    return H*cp

def show(img,title,sub):
    plt.subplot(sub[0],sub[1],sub[2])
    plt.imshow(img,cmap="gray")
    plt.axis('off') # 去掉坐标轴
    plt.title(title)

if __name__=='__main__':
    img = cv.imread('10.png',0)

    # 傅里叶变换
    f = np.fft.fftn(img)

    # 坐标原点平移到中心
    fshift = np.fft.fftshift(f)

    # 避免频谱范围过大影响视觉效果
    fimg = np.log(1+np.abs(fshift))


    D = [5,15,30,80,230]
    i = 1
    for D0 in D:
        # 傅里叶逆变换
        ishift = np.fft.ifftshift(ilpf(fshift,D0))
        re = np.fft.ifftn(ishift)
        reimg = np.abs(re)
        show(reimg,'D0=%d'%D0,(2,3,i))
        i+=1
    show(img,'Original img',(2,3,6))
    plt.show()

在这里插入图片描述

$B u t t e r w o r t h$ 低通滤波器

一个截止频率在与原点距离为 $D 0$ 的 $n$ 阶 $B u t t e r w o r t h$ 低通过滤器（ $B L P F$ ）的变换函数如下：

$H(u,v)=\frac{1}{1+[\frac{D(u,v)}{D_0}]^{2n}}$
Code

if __name__=='__main__':    
    x = np.linspace(0,10,200)
    H = []
    for i in range(1,5):
        H.append(1/(1+np.power(x/5.,2*i)))
    plt.plot(x, H[0])
    plt.plot(x, H[1])
    plt.plot(x, H[2])
    plt.plot(x, H[3])
    plt.legend(['n=1','n=2','n=3','n=4'])
    plt.grid()
    plt.ylabel('H(u,v)')
    plt.xlabel('D(u,v)')
    plt.show()

在这里插入图片描述

# 巴特沃斯低通滤波器
def blpf(f,D0,n):
    """
    :param f: 傅里叶变换后的幅度谱
    :param D0: 截止距离
    :param n: 阶数
    :return: 新的幅度谱
    """
    cp = np.copy(f)
    r,c = cp.shape
    H = np.zeros((r, c))
    for i in range(r):
        for j in range(c):
            D = np.sqrt((i-r/2)**2+(j-c/2)**2)
            H[i][j] = 1/(1+np.power(D/D0,2*n))
    return H*cp

在这里插入图片描述

在任何经二阶 $B L P F$ 处理过的图像中都没有明显的振铃效果，这是过滤器在低频和高频之间的平滑过渡的结果。
同样的截止频率下，比理想低通保留相对较多高频成分，所以模糊程度减少，但是去噪效果不如理想低通。

高斯低通滤波器

$H(u,v)=exp(-\frac{D^2(u,v)}{2D_0^2})$

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3WI5B2RL-1584523520945)(image-20200318154429995.png)]

高斯低通滤波器 ( $G L P F$ ) 有更加平滑的过渡带，比 $B L P F$ 相比衰减更快。无振铃，比 $B L F P$ 去噪效果好。

Code

def glpf(f,D0):
    cp = np.copy(f)
    r,c = cp.shape
    H = np.zeros((r, c))
    for i in range(r):
        for j in range(c):
            D = (i-r/2)**2+(j-c/2)**2
            H[i][j] = np.exp(-D/(2*D0**2))

    return H*cp

在这里插入图片描述

频率域锐化滤波器

基本思想：低通滤波器的反操作，即 $H_{hp}(u,v)=1-H_{lp}(u,v)$ 。与低通滤波器相对应，频率域内常用的高通滤波器有３种：

理想高通滤波器

在这里插入图片描述

$D 0 = 15$ 和 $D 0 = 30$ 时，振铃问题十分明显。

巴特沃斯高通滤波器

在这里插入图片描述

高斯高通滤波器

在这里插入图片描述

高通滤波器的问题：

低频成分被严重地消弱了，图像失去主体成分，只剩下细节。
改进措施
- 加一个常数到变换函数 $H (u, v) + A$ 这种方法被称为 高频提升
- 为了解决变暗的趋势，在变换结果图像上再进行一次直方图均衡化。这种方法被称为 后过滤处理

高频提升滤波：
$f_{hb}=Af(x,y)-f_{lp}(x,y)\\ =(A-1)f(x,y)+f_{hp}(x,y)\\ H_{hp}=(A-1)+H_{hp}(u,v)$
高频加强滤波：在高通滤波器函数前乘以系数 $b$ ，再加上 $a$ 倍的原始图像。
$H_{hpe}(u,v)=a+bH_{hp}(u,v), a\geq0,b>a\\ 当b=1时，高频加强转换为高频提升滤波$

改进措施
- 加一个常数到变换函数 $H (u, v) + A$ 这种方法被称为 高频提升
- 为了解决变暗的趋势，在变换结果图像上再进行一次直方图均衡化。这种方法被称为 后过滤处理

Theoyah

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
06频率域图像增强

背景知识线性系统X1(t)−>Y1(t)X2(t)−>Y2(t)X_1(t) -> Y_1(t)\\X_2(t)->Y_2(t)X1(t)−>Y1(t)X2(t)−>Y2(t)则：X1(t)+X2(t)−>Y1(t)+Y2(t)aX1(t)−>aY1(t)X_1(t)+X_2(t)->Y_1(t)+Y_2(t)\\...
复制链接

扫一扫